JP3060922B2 - 特徴生成装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文字認識等のパタ
ーン認識のための特徴を生成する装置において、過多の
特徴を生成しておいて、その中から必要な特徴と選択す
る機能を有する特徴生成装置に関する。

【０００２】

【従来の技術】従来の方向特徴辞書作成装置では、「特
開平３−２６６１９９号公報、特徴抽出方法および装
置」中に示された特徴抽出装置が公知である。それで
は、図２に示すように端子１０１から入力されたパター
ンから、特徴生成部１０２において、予め定められた方
向の成分をなす画素を抽出する。方向特徴抽出部２０２
の例として、２値の文字パターンから、３画素×３画素
の処理窓を設定して、方向成分を抽出する場合を説明す
る。

【０００３】３画素×３画素の処理窓内の２値画素のパ
ターンは、全部で５１２通りある。その５１２通りの３
画素×３画素のパターン全ての場合に、その処理窓内の
中心画素の各方向への影響度を寄与度として予め与えて
表として保持しておく。例えば、縦、横、右上がり、右
下がりの４方向の特徴抽出を実行する場合に、３画素×
３画素の処理窓内で、中心を含めて、右半分が黒画素の
場合には、中心画素の縦方向への寄与度を１．０とす
る。他の方向への寄与度は０．０とする。また、このパ
ターンに加えて、左下隅も黒画素の場合には、縦方向へ
の寄与度を０．５、右上り方向への寄与度を０．５とす
る。このように、予め定めた方向寄与度の表を用いて、
方向特徴抽出部２０２では、入力されたパターンの全て
の画素に対して、周辺を含めた３画素×３画素のパター
ンを調べて、そのパターンの各方向への寄与度を調べて
記憶する。この結果、入力された２値画像がＮ画素×Ｎ
画素である場合に、Ｎ画素×Ｎ画素の４方向分の多値画
像が得られる。各方向の多値画像中の画素の値は、当該
方向への、その画素の寄与度を表す。

【０００４】得られた４枚分の多値画像は、小領域特徴
計算部２０３に送られて、小領域毎の特徴量を求める。
従来の特徴抽出装置での小領域の設定を図４を用いて説
明する。説明の簡単のため、横方向を４分割、縦方向を
２分割した小領域を設定する場合について述べるが、従
来技術は分割数については規定していない。従来技術で
は、第１の小領域を図４の境界線４０１、境界線４０
３、境界線４１１、境界線４１２で囲まれる領域を第１
の小領域とし、第２の小領域を境界線４０３、境界線４
０５、境界線４１１、境界線４１２で囲まれる領域とし
ている。このような小領域は互いに重ならない領域とし
て設定されている。このように定められた小領域では、
各小領域内に含まれる画素の値つまり、方向寄与度を加
算して、その領域の特徴量として定める。この小領域は
方向毎に、画像毎に定められる。

【０００５】小領域特徴計算部２０３で求められて得た
特徴量は、特徴ぼかし部２０５に転送されて、小領域毎
に定められた方向で隣接する小領域の特徴量とともにぼ
かし処理が加えられる。例えば図４の例で、左右に隣接
する小領域で特徴のぼかし処理を加えるとすると、ある
小領域の特徴量をｆ（ｉ）として、その両隣の特徴量を
それぞれｆ（ｉ−１），ｆ（ｉ＋１）とした場合に、ぼ
かし処理を次の式（１）に従った計算により、ぼかし特
徴ｆ′（ｉ）を得る。

【０００６】 ｆ′（ｉ）＝｛２×ｆ（ｉ）＋ｆ（ｉ−１）＋ｆ（ｉ＋１）｝／４ （１） すべての小領域の特徴に対して、同様のぼかし処理を実
行することにより、目的とする入力パターンの特徴を得
る。

【０００７】

【発明が解決しようとする課題】上記特徴抽出装置を用
いて得た特徴は、重なりの無い小領域を用いて特徴量を
求めているため、小領域の境界部分に存在する部分特徴
は、隣接する２つの小領域に分割されるために、特徴量
は分散し十分な特徴を表現することができない。例えば
図５の例では、横軸が２次元パターン中のある方向軸を
表わす。図４の例では、横方向の軸となる。図５のグラ
フの縦軸は特徴量を表わし、横方向に一定間隔で引かれ
た縦線は各小領域の中央点を表わし、その高さは、各小
領域の特徴量を表わす。特徴量５０１、５０２、５０３
は隣接する小領域の特徴量を表わす。特徴量５０４、５
０５は、小領域を字句方向に半分ずらして設定した小領
域での特徴量を表わす。この場合に特徴量５０１は、半
分ずらした両隣の特徴量よりも大きく、パターンの特徴
を十分表わしている。しかし、特徴量５０２は、半分ず
らした特徴量５０４よりも小さく、半分左にずらした小
領域の特徴量５０５よりも大きく、十分な特徴を表わせ
ていない。これは、特徴量５０４で表わされる特徴が、
特徴量５０２と特徴量５０３へと分散された結果によ
る。従来方法の特徴ぼかし部２０５は、このような問題
を軽減して、特徴量の変化を低減して、大まかな特徴量
の変化を捉えることを目的として導入されている。しか
し、ぼかし処理は特徴量の変化を減少するために、逆に
細かな特徴量の変化を捉えて類似したパターンを識別す
る上で妨害となるという問題をもつ。

【０００８】

【課題を解決するための手段】上述の問題を解決するた
めに、本発明の特徴生成装置は、入力したパターンから
複数の特徴を抽出する特徴抽出手段と、前記特徴抽出部
で抽出した特徴の集合に対して、隣接する特徴間の変化
量を求める特徴変化量計算手段と、前記特徴変換量計算
手段から得た変化量を元に、前記特徴抽出手段から得た
特徴量の集合から、複数の特徴を選択して、出力する特
徴選択手段とを備えている。

【０００９】さらに、本発明の特徴生成装置では、前記
特徴変化量計算手段において、隣接する特徴量の差を計
算して求めるだけでなく、全特徴量の平均値との差を加
算して特徴変化量を求めることができる。

【００１０】また、本発明の特徴生成装置は、前記特徴
変化量計算手段において、全特徴量と個々の特徴量との
差を計算して求めるだけでなく、当該特徴量が一定しき
い値を越えるか、別の一定しきい値よりも小さい場合に
隣接する特徴との差分を加算して特徴変化量を求めるこ
とができる。

【００１１】

【発明の実施の形態】本発明の実施例を図を用いて説明
する。図１は本発明の特徴生成装置のブロック図であ
る。

【００１２】端子１０１から入力されたパターンは、特
徴抽出部１０２に転送されて、小領域毎に特徴量を計算
して求める。方向特徴を抽出する場合の特徴抽出部１０
２の実施例を図３に示す。まず方向特徴抽出部２０２で
は、従来の特徴抽出装置と同様に入力パターンの各画素
毎に方向寄与度を求める。特徴を方向特徴とすること、
方向特徴の抽出方法として以下の実施例を採用すること
は、本発明にとって本質的な問題ではなく、どのような
特徴でも、どのような特徴抽出装置へも容易に適用が可
能である。

【００１３】方向特徴抽出部２０２では、２値の文字パ
ターンから、３画素×３画素の処理窓を設定して、方向
成分を抽出する場合を説明する。

【００１４】３画素×３画素の処理窓内の２値画素のパ
ターンは、全部で５１２通りある。その５１２通りの３
画素×３画素のパターンに対して、その処理窓内の中心
画素の各方向への影響度を予め与えて表として保持して
おく。例えば、縦、横、右上がり、右下がりの４方向の
特徴抽出を実行する場合に、３画素×３画素の処理窓内
で、中心を含めて、右半分が黒画素の場合には、中心画
素の縦方向への寄与度を１．０とする。他の方向への寄
与度は０．０とする。また、このパターンに加えて、左
下隅も黒画素の場合には、縦方向への寄与度を０．５、
右上り方向への寄与度を０．５とする。このように、予
め定めた方向寄与度の表を用いて、方向特徴抽出部１０
２では、入力されたパターンの全ての画素に対して、周
辺を含めた３画素×３画素のパターンを調べて、そのパ
ターンの各方向への寄与度を調べて記憶する。この結
果、入力された２値画像がＮ画素×Ｎ画素である場合
に、４方向分のＮ画素×Ｎ画素の多値画像が得られる。
各方向の多値画像中の画素の値は、当該方向への、その
画素の寄与度を表わす。

【００１５】得られた４枚分の多値画像は、過多小領域
特徴計算部３０３に送られて、小領域毎の特徴量を求め
る。従来の特徴抽出装置での小領域特徴計算部２０３で
は、図４の例の横方向を４分割、縦方向を２分割した小
領域を設定する場合には、第１の小領域を図４の境界線
４０１、境界線４０３、境界線４１１、境界線４１２で
囲まれる領域を第１の小領域とし、第２の小領域を境界
線４０３、境界線４０５、境界線４１１、境界線４１２
で囲まれる領域としている。このような小領域は互いに
重ならない領域として設定されている。

【００１６】しかし本発明の過多小領域特徴計算部３０
３では、図４の同様の例では、図４の境界線４０１、境
界線４０３、境界線４１１、境界線４１２で囲まれる領
域を第１の小領域とし、第２の小領域を境界線４０２、
境界線４０４、境界線４１１、境界線４１２で囲まれる
領域としている。さらに第３の小領域を境界線４０３、
境界線４０５、境界線４１１、境界線４１２で囲まれる
領域としている。同様にして、図４の例で、横方向に７
つの小領域を設定して、それぞれの小領域は互いに半分
ずつ重ねて設定する。

【００１７】このように設定した過多小領域では、各小
領域内に含まれる画素の値、つまり、方向寄与度を加算
して、その領域の特徴量として定める。

【００１８】このようにして求めた過多小領域特徴量
は、図５の特徴量グラフの例では、従来方式が特徴量５
０１、５０２、５０３と抽出して捉えていたのに加え
て、特徴量５０４や特徴量５０５などと、従来の小領域
の境界をまたいだ小領域での特徴をも捉える。

【００１９】従来の特徴抽出装置「特開平３−２６６１
９９号公報、特徴抽出方法および装置」において述べら
れて公知である、方向特徴毎に小領域の形状を変える場
合にも過多小領域は定義できる。図７に、縦、横、右上
がり、右下がりの４方向の特徴を抽出する際に、方向毎
に変えた小領域の形状の例を示す。図７（ａ）は、縦方
向の特徴のための小領域形状の例、図７（ｂ）は、横方
向の特徴のための小領域形状の例、図７（ｃ）は、右上
がり方向の特徴のための小領域形状の例、図７（ｄ）
は、右下がり方向の特徴のための小領域形状の例であ
る。いづれの例でも、長方形の小領域の短い辺の方向
に、図４の例のように辺長の半分をずらした過多小領域
を設定する。これにより、図７（ａ）の縦方向特徴で
は、横方向に従来の２倍の特徴量が抽出できる。また、
図７（ｂ）の横方向特徴では縦方向に従来の２倍の特徴
量が抽出できる。図７（ｃ）の右上がり方向特徴では右
下がり方向に従来の２倍の特徴量が抽出できる。図７
（ｄ）の右下がり方向特徴では右上がり方向に従来の２
倍の特徴量が抽出できる。

【００２０】このように過多小領域特徴計算部３０３で
計算して求められた特徴量は、特徴選択部１０３に転送
される。

【００２１】特徴選択部１０３では、入力された特徴量
の組みを、グループに分けて保持する。先に述べた特徴
の実施例の場合では、図７（ａ）の縦方向特徴では、横
方に１列に並ぶ特徴量を１つのグループとする。同様に
図７（ｂ）の横方向特徴では、縦に１列ならぶ特徴量を
１つのグループとする。図７（ｃ）の右上り特徴の例で
は、右下がり方向に１列に並ぶ特徴量をグループとす
る。右下がり特徴についても同様に特徴量のグループを
定める。

【００２２】特徴選択部１０３では、各グループ毎に、
特徴量を取捨選択して、端子１０５から最終的な特徴量
として出力する。

【００２３】本実施例では、特徴選択部１０３では、各
グループ毎に、特徴量の平均値を求めて、その平均値と
グループに含まれる特徴量を、特徴変化量計算部１０４
に転送する。特徴変化量計算部１０４での実施例を次に
述べる。

【００２４】特徴選択部１０３から転送された１グルー
プの特徴量を｛ｆ（ｉ）｜ｉ＝１からｎ｝として、全特
徴の特徴量の平均値をｆave とする。この時に特徴量の
変化量Ｖを下の式（２）に従った計算により求める。

【００２５】 Ｖ＝ Σｊ＝１，ｍ−１（ （ｆ（ｇ（ｊ））−ｆave ）**２ ＋β（ｆ（ｇ（ｊ＋１））−ｆ（ｇ（ｊ）））**２ ） （２）ここで 、ｇ（ｊ）には、１からｎまでの自然数のうちの一つの
値が格納される。前記ｇ（ｊ）に格納された値は、最初
のｎ個の特徴ｆ（ｉ）（ｉ＝１〜ｎ）のうちからｊ番目
に選択した特徴の番号ｉを表わす。また、Σｊ＝１，ｍ
−１（ｘj）は、ｘjに関しｊ＝１からｊ＝ｍ−１までの
総和を計算することを表わし、ｘ**２は、ｘの２乗の計
算を表わす。上の式（２）では、ｎ個の特徴ｆから、ｍ
個の特徴を選択する場合とする。また、ここでβは１と
したがどのような値でもよい。

【００２６】上の式（２）の計算を、ｎ個の特徴ｆから
ｍ個の特徴を選択した場合について計算して、式（２）
の値Ｖを最大化するように選択番号のリスト｛ｇ
（ｊ）、ｊ＝１〜ｍ｝を定めることができる。選択され
た番号のリストは特徴選択部１０３に転送される。

【００２７】さらに特徴変化量計算部１０４の別の実施
例では、上記の式（２）に示される変化量Ｖの計算を漸
化式により実行する方法を提供する。その実施例では、
ｇ（１）＝１と定めておき、ｊ＞２に対して、 Ｖj,k
＝ＭＡＸ（ ｋ′， （ｆ（k）−ｆave）**２＋β（ｆ（k）−ｆ（k′））**２）＋Ｖj-1,k′ ） （３）を漸化式 として定める。ここで、ＭＡＸ（ｙ，ｘ）は、ｙを変え
た時に、ｘの最大値を求める関数とする。本実施例で
は、ｋは、｛２ｊ−２，２ｊ−１，２ｊ，２ｊ＋１，２
ｊ＋２｝のうちの一つで、ｋ′は｛２ｊ−４，２ｊ−
３，２ｊ−２，２ｊ−１，２ｊ｝のうちの一つとする。
ただし、ｊ＝２の場合のようにｋ′のうちで定めれた値
が１だけというように、上記の例のように５種類の値が
定めれていない場合には、定められた値だけを用いてＭ
ＡＸ計算を実施する。漸化式の計算の各段の最大値計算
の際には、最大値を与えたｊ，ｋ，ｋ′の対応を（ｊ，
ｋ，ｋ′）として記憶する。また、漸化式計算の際の
ｋ，ｋ’の範囲を２ｊ及び２ｊ−２を中心とする５つの
特徴としたが、これはどのようなものでもよい。また、
本実施例では、ｇ（１）＝１と限定して説明したが、別
の初期値の場合にも容易に拡張できる。

【００２８】Ｖ２，ｋからＶｍ，ｋまで順次漸化式にし
たがって計算を実行し、最終的に最大値を与えるＶｍ，
ｋを選択する。Ｖｍ，ｋが必ずＶｍ，ｎとなるように選
択することで対応付けの最終点を固定する場合には、ｊ
＝ｍの時点でｋ＝ｎと固定し、複数のＶｍ−１，ｋ’の
中からＶｍ，ｎを最大化するものを選択する。

【００２９】次に、漸化式の計算の各段で最大値を与え
る対応（ｍ，ｇ（ｍ），ｇ（ｍ−１））を読みだす。求
められたｇ（ｍ−１）について、さらに（ｍ−１，ｇ
（ｍ−１），ｇ（ｍ−２））を読みだし、繰り返して
（ｇ（２），ｇ（１））まで読みだし、求められたｇ
（１），ｇ（２），，，，ｇ（ｍ−１），ｇ（ｍ）を特
徴選択部１０３に転送する。このような特徴選択を実施
することにより、図５のような従来の方法で抽出されて
いた特徴に対して、図６のように特徴の変化量を捉え
て、特徴量変化のピークや谷を選択して特徴量とするこ
とができる。

【００３０】特徴変化量計算部１０４の別の実施例で
は、式（３）の替わりに、式（４），式（５）を用いた
ものでもよい。

【００３１】 Ｖｊ，ｋ＝ＭＡＸ（ｋ′，（ｆ（ｋ）−ｆave ）^**２＋βＧ＋Ｖｊ−１，ｋ ′） （４） ただし、ＩＦ（（ｆ（ｋ）＞ｆave ）ｏｒ（ｆ（ｋ′）
＞ｆave ）ならば Ｇ＝（ｆ（ｋ）−ｆ（ｋ′））^**２ さもなければ Ｇ＝（ｆ（ｋ）−ｆave ）^**２ （５） この場合も実施例では、βを１としたが、この値は本質
的なものではなく、どのような値でもよい。この漸化式
を実行した後に、最大値を求めて、最大値を実現する特
徴の組み（ｍ，ｇ（ｍ），ｇ（ｍ−１））から、順次対
応を繰り返して（２，ｇ（２），ｇ（１））まで読みだ
し、求められたｇ（１），ｇ（２），，，，ｇ（ｍ−
１），ｇ（ｍ）を特徴選択部１０３に転送する。

【００３２】特徴選択部１０３では、特徴変化量計算部
１０４から受信した選択すべき特徴の番号ｇ（１），ｇ
（２），，，，ｇ（ｍ−１），ｇ（ｍ）をもとに特徴量
を選択して、当該グループの特徴として端子１０５から
出力する。さらに、特徴選択部１０３は別の特徴のグル
ープを選択して特徴変化量計算部１０４に転送して、選
択する特徴番号を受信して、特徴選択をして端子１０５
から出力する。これを全特徴グループに対し実行して、
選択特徴を端子１０５から出力して、１つのパターンに
対する特徴抽出処理を終了する。

【００３３】次に、前述した特徴生成部１０６の実施例
を用いて構成したパターン認識辞書生成装置の実施例を
図８を用いて説明する。

【００３４】パターン取得部８０１では、予めパターン
認識辞書を生成するために利用される多数のパターンを
そのカテゴリ名とともに保持しているものとする。パタ
ーン取得部８０１では、１つのカテゴリ名を選択して、
そのカテゴリ名をもつパターンをパターン取得部８０１
から特徴生成部１０６に転送する。特徴生成部１０６で
は、受け取ったパターンから特徴を生成して、得られた
特徴から選択した特徴を平均パターン生成部８０３に転
送する。これをパターン取得部８０１中の同一カテゴリ
を持つ複数のパターンに対して実行する。平均パターン
生成部８０３では、受け取った特徴をｆ（ｊ，ｄ）、ｊ
＝１〜Ｍとして、ｄをパターンの番号として最大値を受
け取ったパターンの数Ｄとする。そこで、各ｊに対し
て、パターンでの平均値を求め、ｆave （ｊ）、ｊ＝１
〜Ｍを求め、あるカテゴリの認識辞書とする。

【００３５】平均パターン生成部８０３では、以上の処
理を全てのカテゴリ名に対して実行し、全ての認識辞書
を生成する。

【００３６】図９に、前述した特徴生成部１０６の実施
例を用いて構成したパターン認識辞書生成装置の別の実
施例を示す。

【００３７】パターン取得部８０１では、予めパターン
認識辞書を生成するために利用される多数のパターンを
そのカテゴリ名とともに保持しているものとする。

【００３８】種パターン選択部９０６では、１つのカテ
ゴリ名を選択して、そのカテゴリ名をもつパターンをパ
ターン取得部８０１から複数個取り出し、当該カテゴリ
の種パターンとする。さらに種パターン選択部９０６
は、それらのパターンを特徴生成部１０６に転送する。
特徴生成部１０６では、受け取ったパターンから特徴を
生成して、得られた特徴を種辞書として、種辞書記憶部
９０７に転送し記憶する。本実施例では、種パターン選
択部９０６は、ランダムにパターン取得部から１カテゴ
リあたり１０個のパターンを種パターンとして選択した
が、この選択方法はどのようなものでもよいし、選択す
る種パターンの数もいくつでもよい。

【００３９】次に、特徴生成部９１０は、種パターン記
憶部に蓄積されているパターンと同一カテゴリのパター
ンをパターン取得部８０１から順次読みだし、図１に示
した特徴生成部１０６と同一の処理を実行して、得られ
た特徴を平均距離計算部９０８に転送する。平均距離計
算部９０８では、特徴生成部９１０から入力された特徴
を｛ｆ（ｉ）、ｉ＝１からＭ｝として、種パターンの一
つを｛ｄｉｋ、ｉ＝１からＭ｝として、ｋを種パターン
の番号として、下の式（６）の計算を実行して、距離を
求める。

【００４０】 ｄｋ＝Σｉ＝１，Ｍ（ｆｉ−ｄｉｋ）^**２ （６） ここで、Σｉ＝１，Ｍ（ｘｉ）は、ｘｉをｘ１からｘＭ
までの総和を計算することを表わし、ｘ^**２は、ｘの２
乗を表わす。

【００４１】本実施例では、距離としてユークリッド距
離を採用したが、異なるパターンほど大きな値を返すよ
うな尺度ならばどのようなものでもよく、本実施例の距
離以外でも、単純類似度の逆数や市街地距離でもよい。

【００４２】求められた第ｋ番目の種パターンとの距離
は、Ｄｋ＝Ｄｋ＋ｄｋとして累積される。平均距離計算
部９０８では、同一カテゴリの複数のパターンに対して
種パターンとの距離を求め、その総和Ｄｋを計算した後
に、距離を計算したパターンの数で総和Ｄｋを割り、平
均距離Ｆｋを求める。

【００４３】その平均距離を種辞書選択部９０９に転送
し、種辞書選択部９０９では平均距離Ｆｋの中で最小値
を与える平均距離を選択し、それに対応する種辞書を種
辞書記憶部９０７から読みだして、当該カテゴリの認識
辞書として端子８０５から出力する。

【００４４】上記の処理を、異なるカテゴリに対して順
次実行して、パターン取得部８０１に記憶されている全
てのカテゴリに対して実行して、処理を終了する。

【００４５】次に、前記パターン認識辞書生成装置によ
って生成された辞書を用いて認識を実行するパターン認
識について、図１０を用いて説明する。

【００４６】まず、図８や図９に実施例を示したパター
ン認識辞書生成装置によって生成されたパターン認識辞
書は端子８０５から入力され認識辞書記憶部１００４に
蓄積されているものとする。

【００４７】端子１００１から認識すべきパターンが入
力されるものとする。入力されたパターンは特徴生成部
１０６において、図１で説明した特徴抽出部１０２、特
徴選択部１０３、特徴変化量計算部１０４を起動して特
徴を生成する。その特徴を｛ｆ（ｉ）、ｉ＝１からＭ｝
とする。距離計算部１００２では、認識辞書記憶部１０
０４から、第ｋ番目のカテゴリの特徴を読みだす。その
特徴を｛ｄｉｋ、ｉ＝１からＭ｝とする。続いて、式
（６）の計算を実行して、距離ｄｋを求める。本実施例
では、距離としてユークリッド距離を採用したが、異な
るパターンほど大きな値を返すような尺度ならばどのよ
うなものでもよく、本実施例の距離以外でも、単純類似
度の逆数や、市街地距離でもよい。

【００４８】求められた距離ｄｋは、認識判定部１００
３にカテゴリ名とともに転送される。

【００４９】認識判定部１００３は、距離計算部１００
２において、認識辞書記憶部１００４中の全てのカテゴ
リについて距離を求めた後に、受信した距離を小さい順
に並べて、最大距離を与えるカテゴリ名を認識結果とし
て、端子１００５から出力する。ただし、認識判定部１
００３では、予め棄却しきい値を設定しておいて、最大
距離が棄却しきい値よりも大きい場合には、認識結果な
しとして、棄却信号を端子１００５から出力してもよ
い。また、最大距離のカテゴリ名を１つ出力するのでは
なく、小さいものから順にＬ個のカテゴリ名を端子１０
０５から出力してもよい。

【００５０】次に、パターン認識装置の別の実施例を図
１１を用いて説明する。

【００５１】まず、図８や図９に実施例を示したパター
ン認識辞書生成装置によって生成されたパターン認識辞
書は端子８０５から入力され認識辞書記憶部１００４に
蓄積されているものとする。

【００５２】端子１００１から認識すべきパターンが入
力されるものとする。入力されたパターンは、図３で説
明した特徴抽出部１０２中の方向特徴抽出部２０２、過
多小領域特徴計算部３０３を起動して特徴を生成する。
生成された特徴は図１の説明で述べたようにグループに
分けられて、各グループ毎に辞書との整合が実施され
る。あるグループの特徴を｛ｆ（ｉ）、ｉ＝１からＮ｝
とする。整合特徴選択部１１０１では、認識辞書記憶部
１００４から、第ｋ番目のカテゴリの特徴を読みだす。
その特徴を｛Ｇｉｋ、ｉ＝１からＭ｝とする。

【００５３】続いて、整合特徴選択部１１０１では、次
の式（７）を最小化する特徴の要素を過多小領域特徴計
算部３０３から転送された特徴から選択する。

【００５４】 ｄｋ＝Σｊ＝１，Ｍ Ｄ（ｆ（ｇ（ｊ）），Ｇｊｋ） ただし、ｇ（ｊ）＞ｇ（ｊ−１） （７） ここで、ｇ（ｊ）は、１からＮまでの自然数のうちの一
つで、｛ｆ（ｉ），ｉ＝１〜Ｎ｝のグループのうちから
選択した番号ｉを表わす。また、Ｄ（ｘ，ｙ）は、ｘと
ｙの差分を与える関数であり、２乗誤差でもよいし、差
の絶対値でもよい。

【００５５】上の式（７）の計算は、Ｎ個の特徴ｆから
Ｍ個の特徴を選択して、辞書の特徴と整合した場合の入
力パターンと辞書との距離を与える。全てのグループに
対して求めた距離の総和を計算して求め、それを第ｋ番
目の辞書中のカテゴリとの距離ｄｋとして、認識判定部
１００３に転送する。

【００５６】さらに整合特徴選択部部１１０１の別の実
施例では、上記の式（７）の計算を漸化式に修正して実
行する方法もある。その実施例では、ｇ（１）＝１と定
めておき、ｊ＞２に対して、 ｄｊ，ｍ，ｋ＝ＭＩＮ（ｍ′，Ｄ（ｆ（ｍ），Ｇｊｋ）＋ｄｊ−１，ｍ′， ｋ） （８） を漸化式として定める。ここで、ＭＩＮ（ｙ，ｘ）は、
ｙを変えた時に、ｘの最小値を求める関数とする。ま
た、Ｄ（ｘ，ｙ）は、ｘとｙの差分を与える関数であ
り、２乗誤差でもよいし、差の絶対値でもよい。本実施
例では、ｍは、｛２ｊ−２，２ｊ−１，２ｊ，２ｊ＋
１，２ｊ＋２｝のうちの一つで、ｍ′は｛２ｊ−４，２
ｊ−３，２ｊ−２，２ｊ−１，２ｊ｝のうちの一つとす
る。ただし、ｊ＝２の場合のようにｍ′のうちで定めれ
た値がｇ（１）＝１だけというように、上記の例のよう
に５種類の値が定めれていない場合には、定められた値
だけを用いてＭＩＮ計算を実施する。また、漸化式計算
の際のｍ，ｍ′の範囲を２ｊ及び２ｊ−２を中心とする
５つの特徴としたが、これはどのようなものでもよい。

【００５７】ｄ２，ｍ，ｋからｄＭ，ｍ，ｋで順次漸化
式にしたがって計算を実行し、最終的に最小値を与える
ｄＭ，ｍ，ｋを選択する。ｄＭ，Ｎ，ｋと最終点の対応
が予め固定されている場合には、ｄＭ，Ｍ，ｋを最小化
するｄＭ−１，ｍ，ｋを選択してｄＭ，Ｎ，ｋを求め
る。このｄＭ，Ｎ，ｋを全ての特徴のグループに対して
求めて、その総和を再び、第ｋ番目の辞書カテゴリとの
距離ｄｋとする。入力パターンと第ｋ番目の辞書中のカ
テゴリとの距離ｄｋは、認識判定部１００３に転送され
る。

【００５８】式（８）の代りに式（９）を用いた整合特
徴選択部１１０１の実施例もある。

【００５９】 ｄｊ，ｍ，ｋ＝ＭＩＮ（ｍ′，Ｄ（ｆ（ｍ），Ｇｊｋ）＋αＣ（ｍ，ｍ′） ＋ｄｊ−１，ｍ′，ｋ） （９） ここで、Ｃ（ｍ，ｍ′）は、ｆ（ｍ′）とｆ（ｍ）の間
にある特徴についてのコストを与える関数で、任意の
ｈ、ただしｍ′＜ｈ＜ｍで、次の式（１０）のように定
める。また、係数αはここでは１としたが、どのような
値でもよい。 ＩＦ（ｆ（ｈ）＞ｆ（ｍ′）ａｎｄ ｆ（ｈ）＞ｆ
（ｍ）ａｎｄ ｆ（ｍ）＞ｆ（ｍ′）） ならば Ｃ（ｍ，ｍ′）＝ＭＡＸ（ｆ（ｈ）−ｆ
（ｍ），ｍ′＜ｈ＜ｍ） ＩＦ（ｆ（ｈ）＞ｆ（ｍ′）ａｎｄ ｆ（ｈ）＞ｆ
（ｍ）ａｎｄ ｆ（ｍ′）＞ｆ（ｍ）） ならば Ｃ（ｍ，ｍ′）＝ＭＡＸ（ｆ（ｈ）−ｆ
（ｍ′），ｍ′＜ｈ＜ｍ） ＩＦ（ｆ（ｈ）＜ｆ（ｍ′）ａｎｄ ｆ（ｈ）＜ｆ
（ｍ）ａｎｄ ｆ（ｍ）＜ｆ（ｍ′）） ならば Ｃ（ｍ，ｍ′）＝ＭＡＸ（ｆ（ｍ）−ｆ
（ｈ），ｍ′＜ｈ＜ｍ） ＩＦ（ｆ（ｈ）＜ｆ（ｍ′）ａｎｄ ｆ（ｈ）＜ｆ
（ｍ）ａｎｄ ｆ（ｍ′）＜ｆ（ｍ）） ならば Ｃ（ｍ，ｍ′）＝ＭＡＸ（ｆ（ｍ′）−ｆ
（ｈ），ｍ′＜ｈ＜ｍ） 上記のいずれでもなければ Ｃ（ｍ，ｍ′）＝０ ここで、ＭＡＸ（ｘ，ｙ）はｙという条件の下でのｘの
最大値としたが、別の実施例としては、最大値の代わり
に、ｙの条件を満たすｘの平均値を用いてもよいし、ｙ
の条件を満たすｘの総和を用いてもよい。

【００６０】認識判定部１００３は、整合特徴選択部１
１０１において、認識辞書記憶部１００４中の全てのカ
テゴリについて距離ｄｋを求めた後に、受信した距離を
小さい順に並べて、最小距離を与えるカテゴリ名を認識
結果として、端子１００５から出力する。ただし、認識
判定部１００３では、予め棄却しきい値を設定しておい
て、最小距離が棄却しきい値よりも大きい場合には、認
識結果なしとして、棄却信号を端子１００５から出力し
てもよい。また、最小距離のカテゴリ名を１つ出力する
のではなく、小さいものから順にＬ個のカテゴリ名を端
子１００５から出力してもよい。

【００６１】最後に図１１のパターン認識装置の実施例
で説明した整合特徴選択部１１０１を用いて実現したパ
ターン認識辞書生成装置の実施例を図１２を用いて説明
する。

【００６２】パターン取得部８０１では、予めパターン
認識辞書を生成するために利用される多数のパターンを
そのカテゴリ名とともに保持しているものとする。

【００６３】種パターン選択部９０６では、１つのカテ
ゴリ名を選択して、そのカテゴリ名をもつパターンをパ
ターン取得部８０１から複数個取り出し、当該カテゴリ
の種パターンとする。さらに種パターン選択部９０６
は、それらのパターンを特徴生成部１０６に転送する。
特徴生成部１０６では、受け取ったパターンから特徴を
生成して、得られた特徴を種辞書として、種辞書記憶部
９０７に転送し記憶する。本実施例では、種パターン選
択部９０６は、ランダムにパターン取得部から１カテゴ
リあたり１０個のパターンを種パターンとして選択した
が、この選択方法はどのようなものでもよいし、選択す
る種パターンの数もいくつでもよい。

【００６４】次に、方向特徴抽出部２０２は、種パター
ン記憶部に蓄積されているパターンと同一カテゴリのパ
ターンをパターン取得部８０１から順次読みだし、図３
に示した方向特徴抽出部２０２と同一の処理を実行し
て、方向特徴を抽出する。得られた特徴は過多小領域特
徴計算部３０３に転送され、小領域毎の特徴量を計算し
て求める。求めた特徴量は整合特徴選択部１１０１に転
送される。転送された特徴量は、グループに分類され
る。図７に示した特徴の実施例の場合では、図７（ａ）
の縦方向特徴では、横方に１列に並ぶ特徴量を１つのグ
ループとする。同様に図７（ｂ）の横方向特徴では、縦
に１列ならぶ特徴量を１つのグループとする。図７
（ｃ）の右上り特徴の例では、右下がり方向に１列に並
ぶ特徴量をグループとする。右下がり特徴についても同
様に特徴量のグループを定める。

【００６５】整合特徴選択部１１０１では、過多小領域
特徴計算部３０３から転送された特徴のあるグループを
｛ｆ（ｉ）、ｉ＝１からＮ｝として、１つの種パターン
の同一特徴グループの特徴量を｛Ｇｉｋ、ｉ＝１から
Ｍ｝とする。ただし、ｋを種パターンの番号とする。こ
のとき、式（７）の計算、または式（８）の漸化式計
算、または式（９）の漸化式計算を実行して、種パター
ンと選択パターンとの距離を求める。１つのパターンに
関する全ての特徴グループの最小距離を求めた後に、そ
れらの総和を求めて、平均距離計算部９８に転送され
る。ただし、ここでは、単に最小距離を求めるだけでな
く、式（７）、式（８）、式（９）のいずれかの計算の
際に、種パターンのそれぞれの要素｛Ｇｉｋ、ｉ＝１か
らＭ｝に対応する｛ｆ（ｉ）、ｉ＝１からＮ｝の要素の
番号を求める。式（８）または式（９）の漸化式計算で
は、ｍ番目の特徴ｆ（ｍ）が、種パターンの第ｊ番目に
対応する時にｇ（ｊ）＝ｍとし、その際に最小距離を与
える直前の対応する特徴の組みをｆ（ｍ′）とＧｉ−
１，ｋとすると、ｇ（ｉ−１）＝ｍ′と定める。この時
に（ｉ，ｍ，ｍ′）を記憶しておく。ｆ（Ｎ）とＧＭ，
ｋとの整合を終了したちに、ｄＭ，Ｎ，ｋを最小化する
ｄＭ−１，ｇ（Ｍ−１），ｋを、記憶した（Ｍ，Ｎ，ｇ
（Ｍ−１））から求め、ｇ（Ｍ−１）を定める。さらに
（Ｍ−１，ｇ（Ｍ−１），ｇ（Ｍ−２））を参照してｇ
（Ｍ−２）を定め、順次これを繰り返して、ｇ（ｊ）を
求め最終的にｇ（２），ｇ（１）を定めて、種パターン
の特徴グループ｛Ｇｊ，ｋ、ｊ＝１からＭ｝に対応する
特徴｛ｆ（ｇ（ｊ））、ｊ＝１からＭ｝を求める。同様
に全ての特徴グループに対して種パターンとの最小距離
を与える特徴を選択し、得られた特徴を１つのベクトル
として表現して、｛ｆ（ｇ（ｉ））、ｉ＝１からＭ｝と
する。この特徴は平均パターン生成部８０３に転送され
る。

【００６６】平均距離計算部９０８では、パターン取得
部８０１から選択されたパターンと第ｋ番目の種パター
ンとの距離との平均値を求めて記憶する。

【００６７】平均パターン生成部８０３では、パターン
取得部８０１から選択されたパターンと第ｋ番目の種パ
ターンとの間で最小距離を与えるように元の特徴から選
択された特徴｛ｆ（ｇ（ｉ）），ｉ＝１〜Ｍ｝の各要素
毎の平均値｛Ｆｉ，ｉ＝１〜Ｍ｝を求めて記憶する。

【００６８】１つのカテゴリに対して全ての種パターン
に対して上記の処理を実行した後に、種辞書選択部９０
９は、平均距離計算部９０８から、各種辞書毎に求めら
れた平均距離を読みだし、最小の平均距離を与える種辞
書を種辞書記憶部９０７から読みだして、当該カテゴリ
の認識辞書として端子８０５から出力する。上記には、
種辞書記憶部に９０７に記憶された種辞書について、平
均パターン生成部８０３から、求められた平均特徴を、
種辞書記憶部９０７に再記憶したところで１つの種辞書
に対する処理を終了したが、平均パターン生成部８０３
から、種辞書として種辞書記憶部９０７に戻して記憶し
た種辞書を、再び用いて、図１２の平均整合特徴生成部
１２０１の処理を再度実行して、種辞書を更新してもよ
い。

【００６９】上記の処理を、異なるカテゴリに対して順
次実行して、パターン取得部８０１に記憶されている全
てのカテゴリに対して実行して、処理を終了する。

【００７０】

【発明の効果】以上説明したように、本発明の特徴生成
装置では、過多の特徴を抽出しておいて、その中から直
全特徴との変化量が大きい特徴を選択して、特徴生成を
実行するように構成したため、特徴抽出対象となったパ
ターンの顕著な特徴を抽出することができ、それを用い
た認識辞書生成装置、認識装置では、高い認識能力を達
成することができるという効果を有する。

【図面の簡単な説明】

【図１】本発明の特徴生成装置の構成を示すブロック図
である。

【図２】従来の特徴生成装置の構成を閉めずブロック図
である。

【図３】本発明特徴生成装置における特徴抽出部の詳し
い構成を閉めずブロック図である。

【図４】本発明の特徴生成装置と、従来の特徴生成装置
で利用する小領域の設定を説明する図である。

【図５】従来の特徴生成装置での特徴抽出例を示す概念
図である。

【図６】本発明の特徴生成装置での特徴抽出例を示す概
念図である。

【図７】従来の特徴生成装置における、方向毎の小領域
設定を説明する図である。

【図８】本発明の特徴生成装置を用いた認識辞書生成装
置の構成を示すブロック図である。

【図９】本発明の特徴生成装置を用いた認識辞書生成装
置の構成を示すブロック図である。

【図１０】本発明の特徴生成装置を用いた認識装置の構
成を示すブロック図である。

【図１１】本発明の特徴生成装置を用いた認識装置の構
成を示すブロック図である。

【図１２】本発明の特徴生成装置を用いた認識辞書生成
装置の構成を示すブロック図である。

【符号の説明】

１０１、１００１ 入力端子 １０５、８０５、１００５ 出力端子 １０２ 特徴抽出部 １０３ 特徴選択部 １０４ 特徴変化量計算部 １０６、９１０ 特徴生成部 ２０２ 方向特徴抽出部 ２０３ 小領域特徴計算部 ２０５ 特徴ぼかし部 ３０３ 過多小領域特徴計算部 ４０１、４０２、４０３ 小領域境界 ４０４、４０５、４１１、４１２ 小領域境界 ５０１、５０２、５０３ 従来法により生成される特徴
量 ５０４、５０５ 本発明で付加的に生成される特徴量 ８０１ パターン取得部 ８０３ 平均パターン生成部 ９０６ 種パターン選択部 ９０７ 種辞書記憶部 ９０８ 平均距離計算部 ９０９ 種辞書選択部 １００２ 距離計算部 １００３ 認識判定部 １００４ 認識辞書記憶部 １１０１ 整合特徴選択部

フロントページの続き (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06K 9/46 G06K 9/62 640 G06K 9/68 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (8)

(57)【特許請求の範囲】
1. 【請求項１】入力したパターンから複数の特徴を抽出す
   る特徴抽出手段と、 前記特徴抽出手段で抽出した特徴を一列に並べた特徴列
   に対し、前記特徴列において隣接する特徴間の変化量を
   求める特徴変化量計算手段と、前記特徴変換量計算手段
   から得た変化量を元に、前記特徴抽出手段から得た特徴
   量の集合から、複数の特徴を選択して、出力する特徴選
   択手段とを備えたことを特徴とする特徴生成装置。
2. 【請求項２】前記特徴変化量計算手段において、 隣接する特徴量の差を計算して求めるだけでなく、全特
   徴量の平均値との差を加算して特徴変化量を求めること
   を特徴とする請求項１記載の特徴生成装置。
3. 【請求項３】前記特徴変化量計算手段において、 全特徴量と個々の特徴量との差を計算して求めるだけで
   なく、当該特徴量が一定しきい値を越えるか、別の一定
   しきい値よりも小さい場合に隣接する特徴との差分を加
   算して特徴変化量を求めることを特徴とする請求項１記
   載の特徴生成装置。
4. 【請求項４】請求項１記載の特徴生成装置と、パターン
   取得手段と、平均パターン生成手段とを備え、 多数のパターンとそのパターンのカテゴリを含んだデー
   タを入力して記憶するパターン取得手段から、データを
   読みだして特徴生成装置において生成した特徴を平均パ
   ターン生成手段に転送して、平均パターン生成手段にお
   いて、転送された特徴の平均を求めて、認識辞書生成す
   ることを特徴とするパターン認識辞書生成装置。
5. 【請求項５】請求項１記載の特徴生成装置と、パターン
   取得手段と、 前記 パターン取得手段で記憶されているデータから、複
   数のデータを選択して種辞書とする種パターン選択手段
   と、前記種パターン選択手段において選択されたパター
   ンを入力して、前記特徴生成装置により生成された特徴
   を記憶する種辞書記憶手段と、 前記パターン取得手段からデータを読みだして前記特徴
   生成装置により生成された特徴と、前記種辞書記憶手段
   中の種辞書との距離を求めて、同一カテゴリの複数パタ
   ーンについての、前記距離の平均値を求めて記憶する平
   均距離計算手段と、 前記種辞書記憶手段中の各々の種辞書に対する前記平均
   距離計算手段中の平均距離を用いて、最短の平均距離を
   もつ種辞書を選択して当該カテゴリの認識辞書として出
   力する種辞書選択手段とを、備えたことを特徴とする認
   識辞書生成装置。
6. 【請求項６】認識のための辞書を記憶する認識辞書記憶
   手段と、 入力されたパターンから特徴を生成する請求項１記載の
   特徴生成装置と、 前記認識辞書記憶手段中の１つの認識辞書と、前記特徴
   生成装置で生成された特徴との類似度を算出する距離計
   算手段と、 前記距離計算手段で算出された距離に基づいて認識結果
   を選択する認識判定手段とを備え、 前記認識辞書記憶手段が、請求項４又は５記載の認識辞
   書生成装置により生成された ことを特徴とする認識装
   置。
7. 【請求項７】認識のための辞書を記憶する認識辞書記憶
   手段と、請求項１記載の特徴生成装置における特徴抽出
   手段と、前記認識辞書記憶手段の１つの認識辞書と、前
   記特徴抽出手段によって生成された特徴から選択した特
   徴との類似度を算出する整合特徴選択手段と、 前記整合特徴選択手段で算出された距離に基づいて認識
   結果を選択する認識判定手段とを備え、 前記認識辞書記憶手段が、請求項４又は５記載の認識辞
   書生成装置により生成された ことを特徴とする認識装
   置。
8. 【請求項８】請求項１記載の特徴生成装置と、パターン
   取得手段と、 前記 パターン取得手段で記憶されているデータから、複
   数のデータを選択して種辞書とする種パターン選択手段
   と、前記種パターン選択手段において選択されたパター
   ンを入力して、前記特徴生成装置により生成された特徴
   を記憶する種辞書記憶手段と、前記特徴生成装置中の特徴抽出手段 により生成された過
   多特徴から１部を選択して、前記種辞書記憶手段中の種
   辞書との整合を行って、その距離を求める整合特徴選択
   手段と、 前記整合特徴選択手段において、前記特徴生成装置中の
   特徴抽出手段により生成された過多特徴から選択された
   特徴を、前記パターン取得手段内の同一カテゴリのデー
   タ全てに対して、平均を求め、さらにその平均を前記種
   辞書記憶手段中に記憶するように転送する平均パターン
   生成手段と、 前記整合特徴選択手段において生成された距離を、前記
   パターン取得手段内の同一カテゴリのデータ全てに対し
   て、平均を求める平均距離計算手段と、 前記平均距離計算手段の結果に基づいて、前記種辞書記
   憶部手段に記憶された平均パターンを選択する種辞書選
   択手段とを備えたことを特徴とする認識辞書生成装置。